Yapay Zekâ Ekip Arkadaşı Olduğunda

Yapay zekâ kullanan tek bir çalışan, yapay zekâ kullanmayan iki kişilik bir ekip kadar kaliteli sonuç üretebilir mi?

Organization Science dergisinde yayımlanan yeni bir saha deneyi, belirli inovasyon görevlerinde bunun mümkün olabileceğini gösteriyor. Ancak araştırmanın asıl önemi, “yapay zekâ insanın yerini alıyor” sonucunda değil. Bulgular, yapay zekânın ekip çalışmasının bazı işlevlerini üstlenebildiğini, uzmanlık sınırlarını bulanıklaştırdığını ve fikir üretimiyle fikir seçimi arasındaki dengeyi değiştirdiğini gösteriyor.

Fabrizio Dell’Acqua ve çalışma arkadaşları bu rolü “sibernetik ekip arkadaşı” olarak tanımlıyor: yalnızca kullanılan bir araç değil, çalışma sürecine aktif biçimde katılan yapay bir ortak.

P&G’de dört farklı çalışma biçimi karşılaştırıldı

Ön kayıtlı saha deneyine Procter & Gamble’ın Ar-Ge ve ticari fonksiyonlarında çalışan 791 profesyonel katıldı. Katılımcılar kendi iş birimleriyle ilgili gerçek ürün, ambalaj, iletişim ve mağaza uygulaması problemleri üzerinde çalıştı.

Dört çalışma biçimi karşılaştırıldı:

Yapay zekâ kullanmadan tek başına çalışan kişi
Yapay zekâ kullanmadan çalışan iki kişilik ekip
Yapay zekâ desteğiyle tek başına çalışan kişi
Yapay zekâ desteğiyle çalışan iki kişilik ekip

İki kişilik ekipler bir Ar-Ge ve bir ticari fonksiyon çalışanından oluşuyordu. Yapay zekâ koşullarındaki katılımcılara, Microsoft Azure üzerinden sunulan GPT-4 ile çalışmadan önce bir saatlik eğitim verildi.

Üretilen çözümler, katılımcıların ve deney koşullarının kimliğini bilmeyen uzmanlar tarafından kalite, yenilik ve uygulanabilirlik açısından değerlendirildi. Her çözüm ortalama olarak üçten fazla bağımsız değerlendirme aldı.

Bu tasarım, araştırmayı kısa ve soyut bir laboratuvar çalışmasından ayırıyor: katılımcılar gerçek çalışanlar, görevler gerçek iş problemleri ve ortaya çıkan en iyi fikirler şirketin inovasyon sürecine girebilecek nitelikteydi.

Tek çalışan ve yapay zekâ, insan ekibinin performansına ulaştı

Yapay zekâ kullanmayan iki kişilik ekipler, tek başına çalışan kontrol grubundan 0,24 standart sapma daha yüksek kalite üretti. Araştırmacılar bunu yaklaşık yüzde 6,3’lük bir iyileşme olarak hesaplıyor.

Tek başına fakat yapay zekâ desteğiyle çalışanlar ise kontrol grubunu 0,37 standart sapma, yaklaşık yüzde 9,6 oranında geçti. Bu grubun performansı, yapay zekâ kullanmayan iki kişilik ekiplerin performansıyla karşılaştırılabilir düzeydeydi.

Yapay zekâ kullanan ekipler de kontrol grubunun 0,39 standart sapma üzerinde performans gösterdi. Ancak ortalama kalite açısından yapay zekâ kullanan ve kullanmayan ekipler arasındaki doğrudan fark istatistiksel olarak kesin değildi.

Dolayısıyla bulguları “yapay zekâ ekiplerden daha iyidir” şeklinde okumak doğru olmaz. Daha isabetli sonuç şudur: Yapay zekâ, belirli ve erken aşamadaki inovasyon görevlerinde insan ekiplerinin sağladığı bazı performans avantajlarını tek çalışana kazandırabilir.

Yapay zekâ fonksiyonel sınırları bulanıklaştırdı

Ar-Ge ve ticari fonksiyonlar aynı probleme farklı açılardan yaklaşır. Bir taraf teknik uygulanabilirliğe, diğer taraf müşteri ve pazar değerine daha fazla ağırlık verebilir. Bu farklılık inovasyon için değerlidir; ancak fonksiyonel siloların da kaynağı olabilir.

Deneyde yapay zekâ kullanmayan ticari çalışanlar daha ticari, Ar-Ge çalışanları ise daha teknik fikirler geliştirdi. Yapay zekâ kullanıldığında iki grubun önerileri birbirine yaklaştı ve teknik-ticari denge daha güçlü hale geldi.

Yapay zekâ, kişinin sahip olmadığı uzmanlığın tamamını ona kazandırmış değildi. Fakat çalışanların kendi fonksiyonlarının alışılmış bakış açısının dışına çıkmasını kolaylaştırdı.

Bu ayrım önemli: Uzmanlığa geçici erişim sağlamak ile uzmanlık geliştirmek aynı şey değildir. Model bir ticari çalışanın teknik seçenekleri değerlendirmesine yardım edebilir; ancak bunun uzun vadede gerçek teknik yetkinlik üretip üretmediği araştırmanın yanıtlamadığı bir sorudur.

Daha iyi fikirler, fakat daha iyi seçim değil

Araştırmanın yöneticiler açısından en dikkat çekici bulgusu inovasyon sürecinin ayrıştırılmasından geliyor.

Katılımcılar önce beş fikir üretti, sonra bunlardan birini seçti ve seçtikleri fikri ayrıntılı bir çözüme dönüştürdü. Böylece araştırmacılar yapay zekânın fikir üretimi ve fikir seçimi üzerindeki etkilerini ayrı ayrı inceleyebildi.

Yapay zekâ, üretilen fikirlerin ortalama kalitesini yükseltti. Düşük ve yüksek kaliteli fikirler arasındaki çeşitliliği ortadan kaldırmadan, fikir havuzunun tamamını daha yüksek bir seviyeye taşıdı.

Buna karşılık, yapay zekâ kullanmayan insan ekipleri kendi ürettikleri beş fikir arasından en iyisini yaklaşık yüzde 50 oranında seçerken, yapay zekâ kullanan koşullarda bu oran yaklaşık yüzde 37’de kaldı.

Yapay zekâ kullanan grupların nihai çözümleri yine de daha kaliteliydi; çünkü başlangıçtaki fikir havuzu çok daha güçlüydü. Fakat mekanizma açıktı:

Yapay zekâ bir kalite yükselticisi olarak çalıştı; daha iyi bir değerlendirme veya seçim mekanizması olarak değil.

Bu bulgu, inovasyon iş akışında üretim ve değerlendirme aşamalarının aynı şekilde tasarlanmaması gerektiğini düşündürüyor. Fikir üretirken yapay zekânın genişliğinden yararlanmak, hangi fikre yatırım yapılacağını belirlerken ise bağımsız insan muhakemesini güçlendirmek daha etkili olabilir.

İnsan ve yapay zekâ birlikteyken sıra dışı sonuçların ihtimali arttı

Ortalama performans tek başına yeterli olmayabilir. İnovasyonda asıl ekonomik değer bazen birkaç sıra dışı fikirden gelir.

Yapay zekâ kullanan ekiplerin, tüm çözümler içinde ilk yüzde 10’a giren bir öneri üretme ihtimali kontrol grubuna kıyasla 9,2 yüzde puan yükseldi. Kontrol grubundaki yüzde 5,8’lik taban oran dikkate alındığında bu, yaklaşık üç katlık bir ihtimale karşılık geliyor.

Bununla birlikte, yapay zekâ kullanan ekiplerle yapay zekâ kullanmayan ekipler arasındaki doğrudan fark istatistiksel olarak kesin değildi. Bu nedenle sonuç, kanıtlanmış bir “insan-artı-yapay-zekâ sinerjisi” değil; daha fazla araştırılması gereken güçlü bir işaret olarak görülmeli.

Yöneticiler açısından ayrım yine de değerlidir:

Hedef tutarlı biçimde daha iyi bir asgari kaliteyse, tek çalışan ile yapay zekâ güçlü bir seçenek olabilir.
Hedef nadir ve sıra dışı çözümler üretmekse, farklı insan uzmanlıklarını yapay zekâyla birleştiren ekipler daha umut verici olabilir.

Yapay zekâyla çalışmak duygusal deneyimi de değiştirdi

Yapay zekâ kullanan katılımcılar çalışma sonunda daha fazla heyecan, enerji ve heves; daha az kaygı ve hayal kırıklığı bildirdi. Tek başına yapay zekâyla çalışanların olumlu duygularındaki artış, yapay zekâ kullanmayan insan ekiplerinde görülen artıştan bile yüksekti.

Ancak düşük gerilim her zaman daha iyi iş birliği anlamına gelmez. Yapıcı anlaşmazlık, zayıf varsayımları ortaya çıkarmak ve yaratıcı seçenekleri sınamak için değerlidir. Her talebe uyumlu ve destekleyici yanıtlar veren bir yapay ortak, çalışmayı daha rahat hale getirirken eleştirel sürtüşmeyi azaltabilir.

Bu nedenle çalışan deneyimini yalnızca memnuniyet veya kullanım isteği üzerinden değerlendirmek yetersiz kalır. Yapay zekâ kullanımının sorgulama, karşı çıkma ve ortak değerlendirme davranışlarını nasıl etkilediğine de bakmak gerekir.

Kurumlar iş akışını nasıl yeniden tasarlayabilir?

Araştırmanın bulguları beş uygulama ilkesine dönüştürülebilir.

1. Fikir üretimi ile fikir seçimini ayırın

Aynı oturumda hızla fikir üretip hemen seçim yapmak, yapay zekânın oluşturduğu ilk çerçeveye aşırı bağlanma riski yaratır. Önce seçenek havuzunu geliştirin; değerlendirmeyi ayrı bir zamanda ve açık ölçütlerle yapın.

2. Yapay zekâdan önce fonksiyonel görüşleri görünür kılın

Ar-Ge ve ticari ekipler ilk değerlendirmelerini bağımsız biçimde kaydederse, yapay zekâ bu farklılıkları erken aşamada homojenleştiremez. Ardından model, iki bakış açısı arasında bağlantı kurmak için kullanılabilir.

3. İnsan ekiplerini yalnızca maliyet olarak görmeyin

Tek çalışanın yapay zekâyla iki kişilik ekibin performansına ulaşması, ekipleri otomatik olarak küçültme gerekçesi değildir. İnsan ekipleri değerlendirme, itiraz, hesap verebilirlik ve uzun vadeli bilgi aktarımı gibi deneyde tam olarak ölçülmeyen işlevler de taşır.

4. Eğitimleri prompt yazmanın ötesine taşıyın

Katılımcılar bir saatlik standart eğitimin ardından anlamlı performans artışı sağladı. Ancak kurumsal yetkinlik yalnızca daha iyi komut yazmak değildir. Çalışanların hangi aşamada yapay zekâ kullanacağını, çıktıyı nasıl sınayacağını ve karar sahipliğini nasıl koruyacağını öğrenmesi gerekir.

5. Kullanım oranını değil, işin kalitesini ölçün

Kaç kişinin aracı kullandığı ikincil bir göstergedir. Asıl ölçülmesi gerekenler şunlardır:

Üretilen seçeneklerin kalitesi ve çeşitliliği
Fonksiyonlar arası bilgi entegrasyonu
En iyi seçeneği belirleme başarısı
Nihai kararın gerekçesi
Çalışanların zaman içinde geliştirdiği bağımsız yetkinlik

Araştırmanın sınırları

Çalışma tek bir tüketici ürünleri şirketinde, tek bir yapay zekâ modeliyle ve bir günlük çevrim içi atölyelerde yürütüldü. Ekipler iki kişilikti ve katılımcılar büyük ölçüde birbirini tanımıyordu. Bu yapı, uzun süredir birlikte çalışan ekiplerin güven, çatışma ve ortak hafıza dinamiklerini tam olarak yansıtmıyor.

Araştırma ayrıca erken aşamadaki ürün geliştirme görevlerine odaklandı. Bulguların stratejik yatırım, işe alım, risk yönetimi veya kriz kararlarına doğrudan taşınmaması gerekir.

Asıl fırsat, lisanslarda değil iş tasarımında

Araştırma, yapay zekânın yalnızca bireysel verimlilik sağlayan bir araç olmadığını gösteriyor. Yapay zekâ bazı ekip işlevlerini üstlenebilir, fonksiyonel sınırlar arasında köprü kurabilir ve fikir havuzunun kalitesini yükseltebilir.

Fakat daha iyi fikir üretmekle daha iyi karar vermek aynı şey değildir. Kurumsal değer, yapay zekâyı mevcut sürece eklemekten değil; üretim, değerlendirme, itiraz ve karar sahipliği arasındaki iş bölümünü yeniden tasarlamaktan gelecektir.

Stratify’nin Yapay Zekâ ile Güçlendirilmiş Liderlik programında ekipler, yapay zekâyı inovasyon iş akışlarına dahil ederken fikir üretimi, sınama ve yatırım kararlarını birbirinden ayırmayı gerçekçi iş problemleri üzerinden çalışıyor.

Çünkü yapay zekânın gerçek etkisi, kaç çalışanın aracı kullandığında değil; insanlarla makineler arasındaki düşünme işinin nasıl bölündüğünde ortaya çıkıyor.

Kaynak: Fabrizio Dell’Acqua ve diğerleri, “The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork”, Organization Science, 2026.